楊耿杰，王 康，高 偉

基于相空間重構(gòu)和遷移學(xué)習(xí)的配電網(wǎng)高阻接地故障檢測(cè)

楊耿杰，王 康，高 偉

(福州大學(xué)電氣工程與自動(dòng)化學(xué)院，福建 福州 350116)

配電網(wǎng)中高阻接地故障(High Impedance Fault, HIF)時(shí)常發(fā)生，其故障特征微弱而難以檢測(cè)，嚴(yán)重情況下可能導(dǎo)致火災(zāi)或人身事故。提出了一種基于相空間重構(gòu)和遷移學(xué)習(xí)的故障識(shí)別方法，實(shí)現(xiàn)對(duì)諧振接地系統(tǒng)中HIF的辨識(shí)。首先，使用基于綜合策略的小波閾值降噪方法對(duì)零序電流信號(hào)進(jìn)行處理，以降低噪聲的影響。隨后，對(duì)降噪后的仿真信號(hào)及實(shí)測(cè)信號(hào)進(jìn)行相空間重構(gòu)，獲取重構(gòu)軌跡圖，以此作為故障識(shí)別的特征量。最后，在辨識(shí)模型構(gòu)建上，先使用仿真信號(hào)的重構(gòu)軌跡圖訓(xùn)練GoogLeNet模型，再使用實(shí)測(cè)信號(hào)對(duì)模型進(jìn)行微調(diào)，實(shí)現(xiàn)遷移學(xué)習(xí)。所提算法的優(yōu)點(diǎn)是使用相空間重構(gòu)進(jìn)行了信號(hào)轉(zhuǎn)換，故障信號(hào)與干擾信號(hào)的重構(gòu)軌跡圖差異明顯，且實(shí)測(cè)信號(hào)與仿真信號(hào)的重構(gòu)軌跡圖相似度較高。在進(jìn)行遷移學(xué)習(xí)后，實(shí)現(xiàn)了對(duì)實(shí)測(cè)小樣本數(shù)據(jù)較為準(zhǔn)確的檢測(cè)。實(shí)驗(yàn)結(jié)果表明，無論是故障實(shí)測(cè)數(shù)據(jù)還是故障仿真數(shù)據(jù)，識(shí)別準(zhǔn)確率均達(dá)到95%以上。此外，在強(qiáng)噪聲干擾、采樣數(shù)據(jù)點(diǎn)缺失及故障回路間歇性導(dǎo)通情況下，所提算法也取得了較好的結(jié)果。

配電網(wǎng)；高阻接地故障；相空間重構(gòu)；小波閾值降噪；遷移學(xué)習(xí)

0 引言

隨著社會(huì)經(jīng)濟(jì)的發(fā)展，對(duì)配電網(wǎng)的運(yùn)行可靠性要求越來越高，準(zhǔn)確、快速地識(shí)別配電網(wǎng)中的各類故障并及時(shí)做出反應(yīng)是提升配電網(wǎng)運(yùn)行可靠性的有效途徑[1-6]。在配電網(wǎng)故障檢測(cè)中，高阻接地故障(High Impedance Fault, HIF)的檢測(cè)一直都是重點(diǎn)與難點(diǎn)。據(jù)統(tǒng)計(jì)，HIF在所有中壓配電網(wǎng)故障中占比為5%~10%[7]，由于報(bào)告為永久性故障的HIF才被記錄，實(shí)際占比可能更高。

HIF通常由線路斷線接觸桿塔、地面或是線路與樹枝的接觸導(dǎo)致，通常伴隨著電弧燃燒，產(chǎn)生火災(zāi)隱患。然而HIF的接地介質(zhì)大多為水泥、沙地、草地等，其過渡電阻為幾百甚至上千歐姆，故障電流微弱，故障特征不明顯[8]。此外，受大風(fēng)等環(huán)境因素影響，故障回路有時(shí)會(huì)出現(xiàn)間歇性導(dǎo)通的情況，故障具有一定的隨機(jī)性，這使得對(duì)HIF的排查十分困難[9]。發(fā)生HIF時(shí)，接地介質(zhì)的等效電阻大多為非線性，且通常會(huì)出現(xiàn)電弧的重燃與熄滅現(xiàn)象。故障電流波形在過零點(diǎn)出現(xiàn)明顯畸變，這種現(xiàn)象被稱為“零休”，HIF的非線性畸變特征是判別HIF與其他干擾的重要特征[9]。通過對(duì)現(xiàn)有文獻(xiàn)資料的總結(jié)，本研究將HIF檢測(cè)方法分為兩類。

第一類為閾值法。通過波形分析尋找特征規(guī)律或進(jìn)行特征量提取，并設(shè)定閾值對(duì)HIF進(jìn)行檢測(cè)。文獻(xiàn)[9]利用零序電流的凹凸性來檢測(cè)HIF；文獻(xiàn)[10]利用零序電流區(qū)間斜率曲線的“M”型特征來檢測(cè)HIF。在“零休”發(fā)生偏移以及燃、熄弧現(xiàn)象不明顯時(shí)，這類方法準(zhǔn)確率將會(huì)降低。

文獻(xiàn)[11]對(duì)電流信號(hào)進(jìn)行小波分解，根據(jù)各頻段能量分布提出一種特征值計(jì)算公式，通過特征值的變化規(guī)律來檢測(cè)HIF；文獻(xiàn)[12]對(duì)零序電流進(jìn)行變分模態(tài)分解，計(jì)算特征模態(tài)的Teager-Kaiser能量算子時(shí)間熵來檢測(cè)HIF。上述時(shí)頻域方法對(duì)噪聲較為敏感，且確定閾值的方法較為復(fù)雜。

第二類為人工智能法。引入人工智能算法實(shí)現(xiàn)故障特征的自動(dòng)提取和分類。文獻(xiàn)[13-15]均使用時(shí)頻域分析進(jìn)行特征提取，訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型以實(shí)現(xiàn)故障檢測(cè)，解決了閾值設(shè)定困難的問題。

文獻(xiàn)[16]引入變分原型自編碼器對(duì)零序電流進(jìn)行特征提取，利用得到的特征訓(xùn)練決策樹，實(shí)現(xiàn)故障檢測(cè)；文獻(xiàn)[17]利用稀疏編碼提取電流電壓特征，訓(xùn)練隨機(jī)森林實(shí)現(xiàn)HIF的準(zhǔn)確檢測(cè)。以上方法的特征提取及HIF檢測(cè)過程均使用人工智能算法，為故障特征提取提出新的解決方案。

但由于實(shí)測(cè)數(shù)據(jù)難以獲取，無法達(dá)到傳統(tǒng)神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)集樣本量的要求，實(shí)現(xiàn)小樣本實(shí)測(cè)數(shù)據(jù)的準(zhǔn)確檢測(cè)是目前HIF檢測(cè)領(lǐng)域的難點(diǎn)。

諧振接地系統(tǒng)中發(fā)生HIF時(shí)，具有故障信息量微弱、消弧線圈補(bǔ)償、非線性特征顯著等特點(diǎn)[8]，此類HIF的檢測(cè)難度較大，故本文提出算法對(duì)諧振接地系統(tǒng)中的HIF進(jìn)行檢測(cè)。針對(duì)HIF故障微弱的特點(diǎn)，使用相空間重構(gòu)提取故障特征，其重構(gòu)軌跡圖能顯示不同HIF的共性特征；為降低噪聲干擾，提出一種針對(duì)零序電流的小波閾值降噪策略，在保留故障特征的同時(shí)，相空間軌跡變得更為平滑；為實(shí)現(xiàn)小樣本實(shí)測(cè)數(shù)據(jù)集的準(zhǔn)確檢測(cè)，引入遷移學(xué)習(xí)，借助仿真數(shù)據(jù)預(yù)訓(xùn)練得到的網(wǎng)絡(luò)來實(shí)現(xiàn)該目標(biāo)。綜上，本研究提出一種基于遷移學(xué)習(xí)、相空間重構(gòu)與GoogLeNet的故障檢測(cè)方法，并采用小波閾值降噪以降低噪聲的影響。實(shí)現(xiàn)了小樣本實(shí)測(cè)數(shù)據(jù)集的準(zhǔn)確檢測(cè)，并驗(yàn)證了該算法的強(qiáng)抗干擾能力及高靈敏性。

1 高阻接地故障的檢測(cè)

1.1 仿真模型的搭建

圖1 仿真模型網(wǎng)絡(luò)結(jié)構(gòu)

圖2 Emanuel模型

1.2 通過相空間重構(gòu)提取故障特征

配電網(wǎng)出現(xiàn)HIF時(shí)故障信息微弱，受故障位置、接地介質(zhì)等因素影響較大，且一些電網(wǎng)操作事件或故障會(huì)產(chǎn)生與HIF相類似的特征。本研究利用相空間重構(gòu)對(duì)零序電流進(jìn)行分析，挖掘發(fā)生HIF與各類干擾時(shí)系統(tǒng)在變化規(guī)律及特征上的區(qū)別。其能夠有效提取各類HIF的共性特征，所得到的重構(gòu)軌跡圖可較為直觀地表示故障特征，即便是不同情況下的HIF也有著較為相似的軌跡圖，在結(jié)合圖像識(shí)別算法后能夠?qū)崿F(xiàn)對(duì)各類HIF的有效辨識(shí)。

相空間重構(gòu)的基本思想為：系統(tǒng)中任意變量的變化過程由與之相互作用的分量共同決定，其發(fā)展過程也隱含著其他變量的變化規(guī)律，故可從變量的變化過程中構(gòu)建和恢復(fù)整個(gè)系統(tǒng)的變化規(guī)律[18-19]。利用相空間重構(gòu)對(duì)非線性、非平穩(wěn)系統(tǒng)進(jìn)行分析在電力領(lǐng)域已有較廣泛的應(yīng)用[19-21]。

表1 故障模型參數(shù)設(shè)置

圖3(d)、圖3(e)展示了諧振接地系統(tǒng)勵(lì)磁涌流和電容器投切的零序電流波形及對(duì)應(yīng)的重構(gòu)軌跡圖。所有重構(gòu)圖均為其上一個(gè)波形歸一化后的軌跡，橫縱坐標(biāo)無量綱。

從圖3可以看出，在不同網(wǎng)絡(luò)結(jié)構(gòu)、不同接地介質(zhì)發(fā)生HIF時(shí)，故障波形在幅值及零休現(xiàn)象上均存在差別。圖3(a)的零休時(shí)間保持相對(duì)較長(zhǎng)，圖3(b)的零休現(xiàn)象則較為微弱，圖3(c)的零序電流在過零點(diǎn)時(shí)變化趨勢(shì)放緩。但經(jīng)相空間重構(gòu)后，上述三者的軌跡均為兩側(cè)存在凹陷的橢圓形。多次改變仿真故障模型參數(shù)，以模擬實(shí)際情況中不同的接地介質(zhì)情況，所獲得的零序電流經(jīng)相空間重構(gòu)后亦表現(xiàn)出相同的特征。出現(xiàn)勵(lì)磁涌流時(shí)，零序電流波形出現(xiàn)正向沖擊，軌跡圖表現(xiàn)為存在單側(cè)凸起的類橢圓形。電容器投切時(shí)，零序電流為規(guī)則的正弦波，軌跡圖表現(xiàn)為規(guī)則的橢圓。

從圖4可以發(fā)現(xiàn)，實(shí)測(cè)信號(hào)噪聲含量較大，且不同情況下HIF的零序電流波形可能存在一定的差異。與仿真HIF相同，實(shí)測(cè)波形經(jīng)相空間重構(gòu)后，軌跡兩側(cè)均存在凹陷。即使存在嚴(yán)重畸變的故障波形(如圖4(b)所示)經(jīng)重構(gòu)后亦表現(xiàn)出類似特征。然而，電容器投切時(shí)的零序電流重構(gòu)軌跡圖(如圖4(c)所示)則仍表現(xiàn)為較規(guī)則的橢圓。

盡管圖3與圖4展示的HIF與干擾在時(shí)序波形的幅值上存在一定的區(qū)分度，但實(shí)際上零序電流的幅值受接地介質(zhì)類型、中性點(diǎn)接地方式等因素的影響，幅值變化幅度較大，難以直接分辨。相比時(shí)域信號(hào)，HIF與干擾波形的相空間軌跡圖差異較大，且具有規(guī)律性。說明相空間軌跡圖能夠反映出高阻接地的故障特征，且仿真和實(shí)測(cè)波形的軌跡圖存在較大相似性，這給利用仿真數(shù)據(jù)實(shí)現(xiàn)實(shí)測(cè)故障的準(zhǔn)確檢測(cè)帶來了可能。

1.3 基于綜合降噪策略的小波閾值降噪

從上述的相空間軌跡圖可以看出，實(shí)測(cè)信號(hào)由于受到環(huán)境噪聲的影響，相空間軌跡較為混沌，而仿真信號(hào)基本不含噪聲，重構(gòu)軌跡較為平滑。為此，本研究采用小波閾值降噪法進(jìn)行降噪。其原理是通過對(duì)含噪信號(hào)進(jìn)行小波分解，信號(hào)特征和噪聲會(huì)被分散到不同幅值的小波系數(shù)中。一般而言，信號(hào)特征的小波系數(shù)都會(huì)大于噪聲的小波系數(shù)，選取合適的閾值即可實(shí)現(xiàn)對(duì)噪聲信號(hào)的剝離[22]。

對(duì)于閾值選取，使用Donoho和Johnstone給出的固定閾值[22]，如式(2)所示。

閾值處理方式通常有硬閾值與軟閾值兩種方法[23]。對(duì)HIF實(shí)測(cè)數(shù)據(jù)經(jīng)過傅里葉變換后，發(fā)現(xiàn)其頻率峰值主要集中在基波、3次諧波與5次諧波。軟閾值降噪會(huì)削弱本就微弱的3次與5次諧波分量，導(dǎo)致故障特征缺失。硬閾值處理時(shí)，降噪后數(shù)據(jù)不夠平滑。因此本研究提出一種綜合降噪策略：在3次和5次諧波所在頻段采取硬閾值降噪，將小于閾值的高頻噪聲系數(shù)置0，但對(duì)大于閾值的系數(shù)不進(jìn)行處理，降低降噪時(shí)對(duì)特征的削弱；其他頻段的高頻系數(shù)則采用軟閾值降噪，保證降噪完之后的波形保持平滑。最終確定的閾值函數(shù)如式(3)所示。

降噪效果通常以信噪比(Signal-noise Ratio, SNR)與均方根誤差(Root Mean Squared Error, RMSE)作為評(píng)判標(biāo)準(zhǔn)[24]。SNR指信號(hào)功率與噪聲功率之比，其單位為dB。SNR越小，噪聲含量越高；反之，噪聲含量則越低。本研究噪聲強(qiáng)度使用SNR表示。一般而言，SNR越大，RMSE越小，則去噪效果越好。實(shí)際情況中，還須結(jié)合去噪后的波形進(jìn)行綜合評(píng)價(jià)。以一組實(shí)測(cè)HIF數(shù)據(jù)作為示例，使用不同降噪方式對(duì)其進(jìn)行處理，對(duì)比結(jié)果如表2及圖5所示。

表2 不同閾值處理方式的結(jié)果

圖5 不同閾值處理方式的降噪效果

通過表2可以發(fā)現(xiàn)：硬閾值降噪的SNR最高而RMSE最低，但圖5(b)顯示其降噪后仍存在較多噪點(diǎn)；軟閾值在降噪后不存在噪點(diǎn)(如圖5(c)所示)，但其SNR最低而RMSE最高，且降噪后波形特征失真較為嚴(yán)重。所提方法在SNR及RMSE指標(biāo)上與硬閾值方法相差不大，但不存在噪點(diǎn)且基本保留了原始序列的特征(如圖5(d)所示)，相較于其他兩種方法有著明顯的優(yōu)勢(shì)。圖4(a)的實(shí)測(cè)HIF1信號(hào)降噪后的時(shí)域波形和相空間軌跡圖如圖6所示，其時(shí)域特征得到較好地保留，相空間軌跡變得平滑，與仿真信號(hào)相似程度更高。

圖6 降噪后時(shí)域波形及軌跡

1.4 結(jié)合遷移學(xué)習(xí)的故障識(shí)別

獲得軌跡圖后，就可使用常見的圖像識(shí)別模型進(jìn)行故障辨識(shí)?？紤]到HIF的實(shí)測(cè)數(shù)據(jù)數(shù)量較少、仿真數(shù)據(jù)能夠大量獲取這一現(xiàn)實(shí)問題，本研究應(yīng)用遷移學(xué)習(xí)(Transfer Learning)[25]機(jī)制進(jìn)行訓(xùn)練，力求所訓(xùn)練的模型在應(yīng)對(duì)實(shí)測(cè)數(shù)據(jù)時(shí)也能夠具備較高的辨識(shí)準(zhǔn)確率。

含有大量標(biāo)記樣本的學(xué)習(xí)域稱為源域，標(biāo)記數(shù)據(jù)較少的學(xué)習(xí)域稱為目標(biāo)域，遷移學(xué)習(xí)的目標(biāo)是利用在源域中學(xué)到的知識(shí)幫助學(xué)習(xí)目標(biāo)域中的知識(shí)。其認(rèn)為通過大量標(biāo)記數(shù)據(jù)監(jiān)督學(xué)習(xí)得到的特征提取器通?？梢赃m用于其他目標(biāo)領(lǐng)域[26]。進(jìn)行遷移學(xué)習(xí)后能夠有效地提高分類準(zhǔn)確率，并且能大幅減少模型訓(xùn)練時(shí)間。

HIF仿真數(shù)據(jù)是通過數(shù)學(xué)模型生成的，在對(duì)HIF故障機(jī)制和影響因素?zé)o法準(zhǔn)確還原的情況下，已有的數(shù)學(xué)模型只能是對(duì)真實(shí)故障的近似，難以保證所獲得的仿真樣本和實(shí)測(cè)樣本一模一樣且滿足相同的數(shù)據(jù)分布?？紤]到仿真數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)之間存在很大的相似性，將借助仿真數(shù)據(jù)實(shí)現(xiàn)實(shí)測(cè)小樣本數(shù)據(jù)集的準(zhǔn)確檢測(cè)。具體的遷移過程如下：首先使用仿真數(shù)據(jù)訓(xùn)練一個(gè)基礎(chǔ)網(wǎng)絡(luò)；接著凍結(jié)網(wǎng)絡(luò)的前幾層參數(shù)；使用少量實(shí)測(cè)數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，對(duì)未凍結(jié)的網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)；最后得到一個(gè)能對(duì)實(shí)測(cè)數(shù)據(jù)集進(jìn)行準(zhǔn)確辨識(shí)的模型。模型結(jié)構(gòu)如圖7所示。

圖7 遷移學(xué)習(xí)結(jié)構(gòu)圖

1.5 HIF識(shí)別流程

綜上所述，本文所提算法的流程如圖8所示。具體如下：①?首先獲取仿真數(shù)據(jù)及實(shí)測(cè)數(shù)據(jù)，并各自分割為訓(xùn)練集及測(cè)試集；②?對(duì)所有樣本進(jìn)行小波閾值降噪，并繪制出每個(gè)樣本對(duì)應(yīng)的相空間重構(gòu)軌跡圖；③?使用仿真訓(xùn)練數(shù)據(jù)的重構(gòu)軌跡圖對(duì)網(wǎng)絡(luò)模型進(jìn)行預(yù)訓(xùn)練；④?凍結(jié)模型的部分參數(shù)，使用實(shí)測(cè)訓(xùn)練數(shù)據(jù)的重構(gòu)軌跡圖訓(xùn)練該模型實(shí)現(xiàn)遷移學(xué)習(xí)，最終所獲得的模型即為本文所需的故障檢測(cè)模型。將待檢測(cè)樣本的重構(gòu)軌跡圖輸入到遷移后的神經(jīng)網(wǎng)絡(luò)模型中，模型即可判定該樣本是否為HIF。

圖8 算法處理流程

2 算例分析

2.1 仿真及實(shí)測(cè)數(shù)據(jù)的獲取

本研究設(shè)計(jì)的干擾項(xiàng)包括諧振接地系統(tǒng)中發(fā)生的單相接地故障、電容器投切、勵(lì)磁涌流及鐵磁諧振[28]4種過電壓。鐵磁諧振包括基頻諧振、高頻諧振與分頻諧振。在圖1所示的諧振接地系統(tǒng)配電網(wǎng)模型中仿真得到4種干擾的零序電流波形如圖9所示。盡管圖9中各類干擾與圖3所示的HIF波形在幅值上有一定的區(qū)分度，但在不同接地介質(zhì)下，HIF的零序電流在幾安到幾十安之間，僅從幅值上難以將干擾與HIF區(qū)分開來。

圖9 各類干擾的零序電流波形

通過改變故障模型參數(shù)、故障點(diǎn)位置以及故障發(fā)生相角來獲取相應(yīng)的數(shù)據(jù)，最終收集到各類干擾樣本600組，每個(gè)類別各150組，HIF樣本也為600組。采樣頻率為4 kHz，每組數(shù)據(jù)均從故障或干擾發(fā)生前2周波開始記錄，總時(shí)長(zhǎng)為0.30 s。

不同情況下各類工況的暫態(tài)過程存在較大差異，模型應(yīng)能夠在故障發(fā)生的任何時(shí)刻進(jìn)行準(zhǔn)確辨識(shí)，故訓(xùn)練樣本同時(shí)包括了暫態(tài)及穩(wěn)態(tài)數(shù)據(jù)。為避免同一組獨(dú)立數(shù)據(jù)的信息同時(shí)存在于訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)中，隨機(jī)選取1 000組作為仿真訓(xùn)練數(shù)據(jù)，剩下的200組作為仿真測(cè)試數(shù)據(jù)。事實(shí)上，HIF故障特征一般會(huì)持續(xù)8~10周波[16]，故本研究以3周波作為輸入樣本長(zhǎng)度。將每組數(shù)據(jù)按3個(gè)工頻周期(240個(gè)點(diǎn))依次無重疊分割，最終獲得4 800個(gè)樣本。考慮到實(shí)際測(cè)量時(shí)通常含有熱噪聲和測(cè)量噪聲[13]，熱噪聲屬于高斯白噪聲，測(cè)量噪聲也常用高斯白噪聲進(jìn)行模擬。為增加模型的魯棒性和抗噪能力，每個(gè)樣本中分別加入信噪比為30 dB、20 dB、15 dB的高斯白噪聲實(shí)現(xiàn)樣本增強(qiáng)。最終獲得共19 200組數(shù)據(jù)，其中16 000組構(gòu)成仿真訓(xùn)練樣本集，3 200組構(gòu)成仿真測(cè)試樣本集。

從實(shí)際系統(tǒng)收集了60組實(shí)測(cè)數(shù)據(jù)，包括HIF與各種干擾。每組數(shù)據(jù)均從故障或干擾發(fā)生前2周波開始，錄波總時(shí)長(zhǎng)為0.30 s。其中HIF樣本為31組，干擾數(shù)據(jù)29組。與仿真數(shù)據(jù)集相同，先隨機(jī)選取40組作為實(shí)測(cè)訓(xùn)練數(shù)據(jù)，剩下的20組作為實(shí)測(cè)測(cè)試數(shù)據(jù)。按照上文分割方式，最終獲得191組實(shí)測(cè)訓(xùn)練樣本，99組實(shí)測(cè)測(cè)試樣本。隨后對(duì)所有樣本進(jìn)行小波閾值降噪，使用相空間重構(gòu)算法繪制軌跡圖。

2.2 圖像識(shí)別網(wǎng)絡(luò)的選取

利用仿真訓(xùn)練數(shù)據(jù)集，分別對(duì)VGG、AlexNet、LetNet、ResNet以及GoogLeNet五類模型進(jìn)行訓(xùn)練，迭代次數(shù)設(shè)置為100次。訓(xùn)練完成后，用仿真測(cè)試集以及全部實(shí)測(cè)數(shù)據(jù)對(duì)模型進(jìn)行測(cè)試，結(jié)果如圖10所示。

圖10 各類模型測(cè)試結(jié)果

從圖10可以看出僅使用仿真數(shù)據(jù)訓(xùn)練得到的各個(gè)模型對(duì)仿真測(cè)試數(shù)據(jù)的識(shí)別準(zhǔn)確率均在95%以上。各模型對(duì)實(shí)測(cè)數(shù)據(jù)集的識(shí)別準(zhǔn)確率均較低，這是由于實(shí)測(cè)數(shù)據(jù)與仿真數(shù)據(jù)存在著較大差異，其中只有GoogLeNet和AlexNet的識(shí)別準(zhǔn)確率在70%以上。GoogLeNet網(wǎng)絡(luò)模型不僅對(duì)仿真數(shù)據(jù)識(shí)別準(zhǔn)確率最高，對(duì)實(shí)測(cè)數(shù)據(jù)的識(shí)別率也最高，說明該模型能夠較好地區(qū)分HIF與干擾之間的差異，故選定其作為本研究的識(shí)別模型。

2.3 凍結(jié)層數(shù)確定

GoogLeNet網(wǎng)絡(luò)共22層，主要優(yōu)點(diǎn)是采用了Inception架構(gòu)，參數(shù)數(shù)量少，且從多尺度提取特征，識(shí)別效果較好，其具體結(jié)構(gòu)見文獻(xiàn)[29]。凍結(jié)不同網(wǎng)絡(luò)層數(shù)，隨后使用實(shí)測(cè)訓(xùn)練集進(jìn)行訓(xùn)練，迭代次數(shù)均設(shè)為50次，識(shí)別結(jié)果如圖11所示，為驗(yàn)證遷移后模型的識(shí)別效果，同時(shí)使用了仿真和實(shí)測(cè)測(cè)試集進(jìn)行測(cè)試。

圖11 凍結(jié)不同層數(shù)的測(cè)試結(jié)果

由圖11可見，當(dāng)凍結(jié)層數(shù)為0時(shí)，即使用實(shí)測(cè)訓(xùn)練集對(duì)模型進(jìn)行再次訓(xùn)練，由于仿真樣本和實(shí)測(cè)樣本存在差異，故仿真測(cè)試集的準(zhǔn)確率較低。而實(shí)測(cè)訓(xùn)練樣本比較少，故實(shí)測(cè)測(cè)試集的準(zhǔn)確率也低。凍結(jié)第1層時(shí)，加入了仿真數(shù)據(jù)訓(xùn)練模型得到的參數(shù)，模型出現(xiàn)不適應(yīng)，實(shí)測(cè)測(cè)試集的準(zhǔn)確率下降。但是對(duì)于仿真測(cè)試集而言，由于模型保留了從仿真樣本提取初始信息的方式，因此準(zhǔn)確率提高。通常深度學(xué)習(xí)網(wǎng)絡(luò)前端各層用于提取粗粒度信息，后端各層用于提取細(xì)粒度信息。因此，隨著凍結(jié)層數(shù)的增加，模型提取仿真樣本和實(shí)測(cè)樣本共同特征的能力不斷地增強(qiáng)，仿真和實(shí)測(cè)訓(xùn)練集的準(zhǔn)確率均不斷地提升。從第6層開始主要處理細(xì)節(jié)特征提取工作。隨著凍結(jié)層數(shù)的增加，模型提取仿真及實(shí)測(cè)數(shù)據(jù)共同特征的能力基本穩(wěn)定不變。在參數(shù)凍結(jié)后，細(xì)節(jié)特征提取前端使用仿真樣本訓(xùn)練得到的參數(shù)，后端則使用實(shí)測(cè)樣本進(jìn)行訓(xùn)練，凍結(jié)前后兩層的特征提取方式差異較大，這使得后端網(wǎng)絡(luò)模型訓(xùn)練的效果變差。因此無論對(duì)于仿真還是實(shí)測(cè)樣本而言，測(cè)試的準(zhǔn)確率均呈下降趨勢(shì)。從圖中可以看出，最佳凍結(jié)參數(shù)為5層，故在仿真數(shù)據(jù)訓(xùn)練完成后，將前5層參數(shù)凍結(jié)，將其作為通用參數(shù)，使用實(shí)測(cè)訓(xùn)練數(shù)據(jù)對(duì)其余網(wǎng)絡(luò)層參數(shù)進(jìn)行調(diào)整。

為驗(yàn)證遷移學(xué)習(xí)的有效性，與其他兩類訓(xùn)練方式進(jìn)行了對(duì)比：(1) 僅使用實(shí)測(cè)訓(xùn)練數(shù)據(jù)訓(xùn)練模型；(2) 將實(shí)測(cè)、仿真訓(xùn)練數(shù)據(jù)混合，使用混合數(shù)據(jù)訓(xùn)練模型。最終三類訓(xùn)練方式對(duì)實(shí)測(cè)測(cè)試集的識(shí)別結(jié)果如圖12所示。

從圖12可以看出：使用遷移學(xué)習(xí)的訓(xùn)練方式能夠獲得最佳辨識(shí)效果，對(duì)干擾與故障的辨識(shí)率都在95%以上；僅使用實(shí)測(cè)數(shù)據(jù)訓(xùn)練時(shí)，由于其樣本數(shù)量過少，模型通常會(huì)陷入過擬合；使用混合數(shù)據(jù)訓(xùn)練模型時(shí)，由于仿真數(shù)據(jù)的數(shù)量遠(yuǎn)大于實(shí)測(cè)數(shù)據(jù)，造成數(shù)據(jù)不平衡，得到的模型對(duì)仿真數(shù)據(jù)辨識(shí)率高，而對(duì)實(shí)測(cè)數(shù)據(jù)辨識(shí)效果欠佳。

圖12 不同訓(xùn)練方式結(jié)果對(duì)比

2.4 特征可視化及識(shí)別結(jié)果

t分布-隨機(jī)近鄰嵌入(t-SNE)是一種非線性的降維算法，其能實(shí)現(xiàn)高維數(shù)據(jù)向低維空間的映射，通過該算法可對(duì)高維數(shù)據(jù)進(jìn)行可視化，常用來驗(yàn)證特征提取的效果。本文使用它對(duì)仿真、實(shí)測(cè)測(cè)試集以及對(duì)二者進(jìn)行特征提取的結(jié)果進(jìn)行二維展示，結(jié)果如圖13所示。

圖13 原始數(shù)據(jù)與它的特征量可視化結(jié)果對(duì)比

其中0和1分別代表干擾與HIF，橫縱坐標(biāo)表示映射到低維空間的對(duì)應(yīng)位置，無實(shí)際意義。從圖中可以看出，經(jīng)特征提取后，仿真及實(shí)測(cè)數(shù)據(jù)集的可區(qū)分度更高。完成特征提取后，通過分類層實(shí)現(xiàn)故障識(shí)別，檢測(cè)結(jié)果如表3所示。仿真和實(shí)測(cè)數(shù)據(jù)的識(shí)別準(zhǔn)確率分別為96.81%和95.96%，無論是故障還是干擾，算法均能夠準(zhǔn)確識(shí)別。

表3 所提算法檢測(cè)結(jié)果

3 算法性能檢驗(yàn)

由于上述的仿真測(cè)試集中部分樣本已含有較高強(qiáng)度的噪聲，會(huì)給后續(xù)的分析造成干擾。故從初始的仿真測(cè)試集中隨機(jī)獲取了1 000組不含噪聲的仿真樣本構(gòu)成新的仿真測(cè)試集，其中500組為干擾，500組為HIF，而實(shí)測(cè)測(cè)試集則仍使用與上述一致的數(shù)據(jù)集。

3.1 抗噪能力分析

實(shí)測(cè)信號(hào)一般都含有較大噪聲，電磁環(huán)境的差異也會(huì)導(dǎo)致不同樣本的噪聲含量存在較大差異。所提方法利用小波閾值降噪，有必要進(jìn)一步評(píng)價(jià)其抗噪性能。圖14是仿真信號(hào)分別加入SNR為20 dB、15 dB、10 dB的高斯白噪聲后的波形?？梢钥闯黾尤敫邚?qiáng)度噪聲后特征基本完全被掩蓋，識(shí)別含噪數(shù)據(jù)對(duì)算法的要求極高。

圖15展示了不同強(qiáng)度噪聲對(duì)測(cè)試集識(shí)別準(zhǔn)確率的影響，隨著噪聲含量增大，識(shí)別準(zhǔn)確率逐漸降低。對(duì)仿真數(shù)據(jù)而言，即便是在SNR為10 dB的噪聲強(qiáng)度下模型仍能有82.97%的識(shí)別準(zhǔn)確率；對(duì)實(shí)測(cè)數(shù)據(jù)而言，在SNR為13 dB的噪聲環(huán)境下識(shí)別準(zhǔn)確率降低到81.82%。經(jīng)計(jì)算發(fā)現(xiàn)，所獲取的實(shí)測(cè)數(shù)據(jù)大多含有20 dB左右的噪聲，故其受噪聲影響更大。綜上，所提算法抗噪能力較強(qiáng)，在強(qiáng)噪聲情況下仍能夠保持較高的準(zhǔn)確率。

圖14 加入不同強(qiáng)度噪聲后的波形

圖15 不同噪聲強(qiáng)度下的識(shí)別結(jié)果

3.2 數(shù)據(jù)缺失的影響

數(shù)據(jù)在采集和記錄過程中可能會(huì)出現(xiàn)數(shù)據(jù)缺失。由于故障波形具有不可補(bǔ)錄性，需要通過數(shù)據(jù)填充的方式進(jìn)行處理。然而數(shù)據(jù)填充可能無法準(zhǔn)確還原其實(shí)際特征狀態(tài)，引起誤判或是漏判。相空間重構(gòu)生成的軌跡圖，在少量數(shù)據(jù)缺失時(shí)軌跡輪廓基本不發(fā)生改變，無需填充處理，使用存在缺失的數(shù)據(jù)生成軌跡圖也可實(shí)現(xiàn)故障的檢測(cè)。

為評(píng)價(jià)數(shù)據(jù)缺失對(duì)故障辨識(shí)的影響，本研究考慮了隨機(jī)缺失與連續(xù)缺失兩種情況。① 隨機(jī)缺失：隨機(jī)將測(cè)試樣本中的10~60個(gè)點(diǎn)置為0。② 連續(xù)缺失：隨機(jī)選取缺失起始位置，將連續(xù)的10~60個(gè)點(diǎn)置為0。兩類情況示例如圖16所示。

兩類情況的檢測(cè)結(jié)果如圖17和圖18所示。通過對(duì)比發(fā)現(xiàn)，相較于連續(xù)缺失，隨機(jī)缺失對(duì)檢測(cè)準(zhǔn)確率的影響更大，原因是其對(duì)軌跡圖的影響更大。在隨機(jī)缺失或是連續(xù)缺失20個(gè)點(diǎn)內(nèi)，所提算法的識(shí)別準(zhǔn)確率均在90%以上；即便是在240個(gè)點(diǎn)缺失了40個(gè)點(diǎn)的極端情況下，仍能夠保持80%以上的準(zhǔn)確率。證明了所提方法在部分?jǐn)?shù)據(jù)缺失情況下依然能保持一定的準(zhǔn)確率。

圖17 數(shù)據(jù)隨機(jī)缺失檢測(cè)結(jié)果

圖18 數(shù)據(jù)連續(xù)缺失檢測(cè)結(jié)果

3.3 故障回路間歇性導(dǎo)通的影響

為驗(yàn)證所提方法在故障回路間歇性導(dǎo)通時(shí)的識(shí)別效果，仿真時(shí)使用隨機(jī)方波生成器控制故障回路的開斷，模擬了故障回路的間歇性導(dǎo)通現(xiàn)象。圖19為在諧振接地系統(tǒng)中模擬的間歇性導(dǎo)通HIF波形，0.1 s開始隨機(jī)導(dǎo)通，導(dǎo)通時(shí)零序電流出現(xiàn)零休現(xiàn)象，開斷時(shí)零序電流基本為0。

在圖1所示的諧振接地系統(tǒng)中，進(jìn)行了50組實(shí)驗(yàn)，錄波時(shí)長(zhǎng)為1 s。從故障前1周期開始，對(duì)樣本進(jìn)行分割，最終獲得了750組樣本直接進(jìn)行測(cè)試，檢測(cè)成功率為95.33%。圖19示例波形的判定結(jié)果在其下方展示。

圖19 故障回路間歇性導(dǎo)通時(shí)單次故障判定結(jié)果

該故障錄波被分割為15個(gè)樣本，其中第6個(gè)樣本被判別為非故障，事實(shí)上，這個(gè)階段，故障回路基本處于斷開狀態(tài)，只存在極少部分的故障波形，最終導(dǎo)致漏判。而其他被分割的樣本均含有至少一個(gè)完整周波的故障波形，均準(zhǔn)確提取其故障特征，得到正確的判別結(jié)果。也就是說在故障回路出現(xiàn)間歇性導(dǎo)通情況下，所提方法依然能準(zhǔn)確識(shí)別出HIF事件。

3.4 算法對(duì)比驗(yàn)證

文獻(xiàn)[13]使用小波變換提取電流特征，將小波變換得到的時(shí)頻圖作為特征，利用改進(jìn)的CNN網(wǎng)絡(luò)對(duì)時(shí)頻圖進(jìn)行識(shí)別以判定HIF的發(fā)生。文獻(xiàn)[14]通過快速傅里葉變換對(duì)連續(xù)的6個(gè)電流時(shí)間窗序列進(jìn)行處理，將得到的頻域信息分成8個(gè)頻段，使用頻段范圍內(nèi)能量的平均值作為每個(gè)頻段的特征值，得到一個(gè)6×8的特征矩陣。使用該特征矩陣訓(xùn)練了一個(gè)輕量級(jí)的CNN網(wǎng)絡(luò)，實(shí)現(xiàn)HIF的檢測(cè)。為評(píng)價(jià)本研究所提方法的性能，將其與上述兩種方法進(jìn)行對(duì)比。分別使用不同的訓(xùn)練方式、測(cè)試集準(zhǔn)確率進(jìn)行綜合對(duì)比，結(jié)果如表4所示。

表4 各種方法辨識(shí)準(zhǔn)確率對(duì)比結(jié)果

從表4可以看出，若僅使用仿真數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試，3種方法的辨識(shí)準(zhǔn)確率均超過97%，其中所提方法具有最高的辨識(shí)準(zhǔn)確率。然而所訓(xùn)練的模型對(duì)實(shí)測(cè)數(shù)據(jù)的辨識(shí)準(zhǔn)確率均不超過80%。說明仿真和實(shí)測(cè)數(shù)據(jù)的差異性會(huì)對(duì)機(jī)器學(xué)習(xí)算法造成影響，但所提方法仍有著最高的辨識(shí)準(zhǔn)確率。此外，引入遷移學(xué)習(xí)機(jī)制后，3種方法對(duì)仿真數(shù)據(jù)的辨識(shí)準(zhǔn)確率均下降了，但所提方法依然保持96.44%的辨識(shí)準(zhǔn)確率，而文獻(xiàn)[13]的方法最低，僅為78.13%。當(dāng)使用遷移學(xué)習(xí)得到的模型對(duì)實(shí)測(cè)數(shù)據(jù)進(jìn)行檢測(cè)時(shí)，結(jié)果較非遷移學(xué)習(xí)有所改善。所提方法最高，達(dá)到95.96%，文獻(xiàn)[14]次之，文獻(xiàn)[13]最低。上述說明所提方法相較于其他兩種方法有著明顯的優(yōu)勢(shì)。

4 結(jié)語

在諧振接地系統(tǒng)中，針對(duì)高阻接地故障(HIF)特征微弱，且與非故障干擾相似性較高的問題，提出一種新的HIF檢測(cè)方法。以零序電流相空間重構(gòu)的軌跡圖為特征，將遷移學(xué)習(xí)和GoogLeNet相結(jié)合實(shí)現(xiàn)小樣本下的實(shí)測(cè)HIF辨識(shí)。同時(shí)，使用小波降噪方法提高軌跡圖的辨識(shí)度。

所提方法有著較高的可靠性，對(duì)仿真以及實(shí)測(cè)測(cè)試集識(shí)別準(zhǔn)確率分別為96.44%和95.96%。在13 dB的強(qiáng)噪聲下仿真及實(shí)測(cè)測(cè)試集仍能夠達(dá)到80%以上的準(zhǔn)確率。在考慮故障回路間歇性導(dǎo)通時(shí)，識(shí)別準(zhǔn)確率仍能夠超過95%。

簡(jiǎn)言之，所提方法能夠通過小樣本實(shí)測(cè)數(shù)據(jù)集訓(xùn)練一個(gè)具有較高識(shí)別能力的診斷模型，面對(duì)各種干擾仍能保持檢測(cè)的準(zhǔn)確性，具有較高的工程應(yīng)用價(jià)值。當(dāng)燃熄弧出現(xiàn)強(qiáng)烈的隨機(jī)波動(dòng)時(shí)，所提方法可能會(huì)失效，有效提高算法識(shí)別的可靠性將是下一步研究的工作。

[1] 姚忠勝, 錢虹, 吳文軍, 等. 基于多因素綜合評(píng)價(jià)和改進(jìn)灰色關(guān)聯(lián)的供電可靠性研究[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(11): 28-34.

YAO Zhongsheng, QIAN Hong, WU Wenjun, et al. Research on power supply reliability based on multi-factor comprehensive evaluation and improved gray relation[J]. Power System Protection and Control, 2021, 49(11): 28-34.

[2] TAVAKOLI M, NAFAR M. Human reliability analysis in maintenance team of power transmission system protection[J]. Protection and Control of Modern Power Systems, 2020, 5(4): 270-282.

[3] 高鑫, 唐飛, 張童彥, 等. 配電網(wǎng)防風(fēng)抗災(zāi)加固措施優(yōu)化決策方法[J]. 發(fā)電技術(shù), 2021, 42(1): 78-85.

GAO Xin, TANG Fei, ZHANG Tongyan, et al. Optimal decision-making method of wind-proof and disaster- resistant reinforcement measures for distribution network[J]. Power Generation Technology, 2021, 42(1): 78-85.

[4] 楊楠, 崔偉, 王智偉, 等. 含風(fēng)電特高壓直流系統(tǒng)單極接地故障暫態(tài)特性研究[J]. 高壓電器, 2020, 56(2): 142-149, 157.

YANG Nan, CUI Wei, WANG Zhiwei, et al. Research on transient characteristics of monopolar grounding fault for wind power integrated UHVDC[J]. High Voltage Apparatus, 2020, 56(2): 142-149, 157.

[5] 金晶, 殷勤. 含電阻型超導(dǎo)限流器的南澳柔性直流系統(tǒng)故障特性分析[J]. 高壓電器, 2020, 56(12): 286-291.

JIN Jing, YIN Qin. Fault characteristics analysis of Nan'ao flexible DC system with resistance superconducting current limiter[J]. High Voltage Apparatus, 2020, 56(12): 286-291.

[6] 李福志, 鄭衛(wèi)賓, 張文海, 等. 基于回路直流電阻測(cè)量的輸電線路單相接地故障離線故障定位[J]. 中國(guó)電力, 2021, 54(2): 140-146.

LI Fuzhi, ZHENG Weibin, ZHANG Wenhai, et al. Fault path direct-current resistance based off-line single-phase- to-ground fault location[J]. Electric Power, 2021, 54(2): 140-146.

[7] AMIN G, HOSSEIN M, HERBERT G, et al. High- impedance fault detection in the distribution network using the time-frequency-based algorithm[J]. IEEE Transactions on Power Delivery, 2015, 30(3): 1260-1268.

[8] 王賓, 崔鑫. 中性點(diǎn)經(jīng)消弧線圈接地配電網(wǎng)弧光高阻接地故障非線性建模及故障解析分析[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2021, 41(11): 3864-3873.

WANG Bin, CUI Xin. Nonlinear modeling and analytical analysis of arc high resistance grounding fault in distribution network with neutral grounding via arc suppression coil[J]. Proceedings of the CSEE, 2021, 41(11): 3864-3873.

[9] 耿建昭, 王賓, 董新洲, 等. 中性點(diǎn)有效接地配電網(wǎng)高阻接地故障特征分析及檢測(cè)[J]. 電力系統(tǒng)自動(dòng)化, 2013, 37(16): 85-91.

GENG Jianzhao, WANG Bin, DONG Xinzhou, et al. Analysis and detection of high impedance grounding fault in neutral point effectively grounding distribution network[J]. Automation of Electric Power Systems, 2013, 37(16): 85-91.

[10] 韋明杰, 石訪, 張恒旭, 等. 基于零序電流波形區(qū)間斜率曲線的配電網(wǎng)高阻接地故障檢測(cè)[J]. 電力系統(tǒng)自動(dòng)化, 2020, 44(14): 164-171.

WEI Mingjie, SHI Fang, ZHANG Hengxu, et al. Detection of high impedance grounding fault in distribution network based on interval slope curves of zero-sequence current[J]. Automation of Electric Power Systems, 2020, 44(14): 164-171.

[11] 朱曉娟, 林圣, 張姝, 等. 基于小波能量矩的高阻接地故障檢測(cè)方法[J]. 電力自動(dòng)化設(shè)備, 2016, 36(12): 161-168.

ZHU Xiaojuan, LIN Sheng, ZHANG Shu, et al. High-impedance grounding fault detection based on wavelet energy moment[J]. Electric Power Automation Equipment, 2016, 36(12): 161-168.

[12] WANG X W, GAO J, WEI X X, et al. High impedance fault detection method based on variational mode decomposition and Teager–Kaiser energy operators for distribution network[J]. IEEE Transactions on Smart Grid, 2019, 10(6): 6041-6054.

[13] WANG S Y, DEHGHANIAN P. On the use of artificial intelligence for high impedance fault detection and electrical safety[J]. IEEE Transactions on Industry Applications, 2020, 56(6): 7208-7216.

[14] SIROJAN T, LU S, PHUNG B, et al. Sustainable deep learning at grid edge for real-time high impedance fault detection[J]. IEEE Transactions on Sustainable Computing, 2022,7(2): 346-357.

[15] CHAITANYA BK, YADAV A, PAZOKI M. An intelligent detection of high-impedance faults for distribution lines integrated with distributed generators[J]. IEEE Systems Journal, 2020, 14(1): 870-879.

[16] XIAO Q M, GUO M F, CHEN D Y. High-impedance fault detection method based on one-dimensional variational prototyping-encoder for distribution networks[J]. IEEE Systems Journal, 2022, 16(1): 966-976.

[17] DOUGLAS P S, CAGIL O, ANWAAR U. Vegetation high-impedance faults’ high-frequency signatures via sparse coding[J]. IEEE Transactions on Instrumentation and Measurement, 2020, 69(7): 5233-5242.

[18] 肖萬紅, 閻桂榮, 韓宇航. 混沌時(shí)序相空間重構(gòu)參數(shù)確定的信息論方法[J]. 物理學(xué)報(bào), 2005, 54(2): 550-556.

XIAO Wanhong, YAN Guirong, HAN Yuhang. Information theory approach to determine embedding parameters for phase space reconstruction of chaotic time series[J]. Acta Physica Sinica, 2005, 54(2): 550-556.

[19] 郭霖徽, 劉亞東, 王鵬, 等. 基于相空間重構(gòu)與平均電導(dǎo)特征的配電網(wǎng)單相接地故障辨識(shí)[J]. 電力系統(tǒng)自動(dòng)化, 2019, 43(7): 192-198.

GUO Linhui, LIU Yadong, WANG Peng, et al. Single-phase grounding fault recognition in distribution networks based on phase-space reconstruction and average conductance characteristics[J]. Automation of Electric Power Systems, 2019, 43(7): 192-198.

[20] 武昭旭, 楊岸, 祝龍記. 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)識(shí)別[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(18): 88-94.

WU Zhaoxu, YANG An, ZHU Longji. Power quality disturbance recognition based on a recurrent neural network[J]. Power System Protection and Control, 2020, 48(18): 88-94.

[21] 陳偉, 何家歡, 裴喜平. 基于相空間重構(gòu)和卷積神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)分類[J]. 電力系統(tǒng)保護(hù)與控制, 2018, 46(14): 87-93.

CHEN Wei, HE Jiahuan, PEI Xiping. Classification for power quality disturbance based on phase-space reconstruction and convolution neural network[J]. Power System Protection and Control, 2018, 46(14): 87-93.

[22] 王維博, 董蕊瑩, 曾文入, 等. 基于改進(jìn)閾值和閾值函數(shù)的電能質(zhì)量小波去噪方法[J]. 電工技術(shù)學(xué)報(bào), 2019, 34(2): 409-418.

WANG Weibo, DONG Ruiying, ZENG Wenru, et al. A wavelet denoising method for power quality based on an improved threshold and threshold function[J]. Transactions of China Electrotechnical Society, 2019, 34(2): 409-418.

[23] 馬星河, 張登奎, 朱昊哲, 等. 基于EWT的高壓電纜局部放電信號(hào)降噪研究[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(23): 108-114.

MA Xinghe, ZHANG Dengkui, ZHU Haozhe, et al. Research on noise reduction of a partial discharge signal of a high voltage cable based on EWT[J]. Power System Protection and Control, 2020, 48(23): 108-114.

[24] 鐘建軍, 宋健, 由長(zhǎng)喜, 等. 基于信噪比評(píng)價(jià)的閾值優(yōu)選小波去噪法[J]. 清華大學(xué)學(xué)報(bào)(自然科學(xué)版), 2014, 54(2): 259-263.

ZHONG Jianjun, SONG Jian, YOU Changxi, et al. Wavelet denoising method with threshold selection rules based on SNR evaluations[J]. Journal of Tsinghua University (Science & Technology), 2014, 54(2): 259-263.

[25] 莊福振, 羅平, 何清, 等. 遷移學(xué)習(xí)研究進(jìn)展[J]. 軟件學(xué)報(bào), 2015, 26(1): 26-39.

ZHUANG Fuzhen, LUO Ping, HE Qing, et al. Survey on transfer learning research[J]. Journal of Software, 2015, 26(1): 26-39.

[26] 楊為, 朱太云, 張國(guó)寶, 等. 電力物聯(lián)網(wǎng)下基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的GIS局部放電模式識(shí)別分類方法研究[J]. 高壓電器, 2020, 56(9): 20-25, 32.

YANG Wei, ZHU Taiyun, ZHANG Guobao, et al. Research on partial discharge pattern recognition and classification in GIS based on convolutional neural network and transfer learning in power internet of things[J]. High Voltage Apparatus, 2020, 56(9): 20-25, 32.

[27] 史凱鈺, 張東霞, 韓肖清, 等. 基于LSTM與遷移學(xué)習(xí)的光伏發(fā)電功率預(yù)測(cè)數(shù)字孿生模型[J/OL]. 電網(wǎng)技術(shù): 1-10[2021-11-20].https://doi.org/10.13335/j.1000-3673.pst. 2021.0738.

SHI Kaiyu, ZHANG Dongxia, HAN Xiaoqing, et al. Digital twin model of photovoltaic power generation prediction based on LSTM and transfer learning[J/OL]. Power System Technology: 1-10[2021-11-20]. https://doi. org/10.13335/j.1000-3673.pst. 2021.0738.

[28] 周默, 孫巖洲. 電網(wǎng)中性點(diǎn)不同接地方式下鐵磁諧振的消諧研究[J]. 高壓電器, 2015, 51(1): 80-85.

ZHOU Mo, SUN Yanzhou. Eliminating ferroresonance for distribution network with different neutral grounding modes[J]. High Voltage Apparatus, 2015, 51(1): 80-85．

[29] SZEGEDY C, LIU W, JIA Y, et al. Going deeper with convolutions[C] // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2015, Boston, USA: 1-9.

High impedance fault detection in a distribution network based on phase space reconstruction and transfer learning

YANG Gengjie, WANG Kang, GAO Wei

(College of Electrical Engineering and Automation, Fuzhou University, Fuzhou 350116, China)

High impedance faults (HIFs) occur frequently in a distribution network, and their fault characteristics are weak and difficult to detect. In serious cases, they may lead to fires or accidents. A fault identification method based on phase space reconstruction and transfer learning is proposed to identify an HIF in a resonant grounding system. First, the wavelet threshold denoising method based on a comprehensive strategy is used to process the zero sequence current signal to reduce the influence of noise. Then, the simulated signal and the measured signal after noise reduction are reconstructed in phase space, and the reconstructed trajectory is obtained as the characteristic quantity of fault identification. Finally, in the construction of an identification model, the reconstructed trajectories of simulation signals are investigated to train a GoogLeNet model, and then the measured signals are adopted to fine tune the model to realize transfer learning. The advantages of the proposed algorithm are that the phase space reconstruction is used for signal conversion, the reconstructed trajectories of fault signal and interference signal are obviously different, and the reconstructed trajectories of measured signal and simulated signal are highly similar; after the transfer learning, more accurate detection of the measured small sample data is realized. The experimental results show that the recognition accuracy of both fault measured data and fault simulation data is more than 95%. The proposed algorithm also achieves good results in the case of strong noise interference, missing sampling data points and intermittent conduction of the fault circuit.

distribution network; high impedance fault; phase space reconstruction; wavelet threshold denoising; transfer learning

10.19783/j.cnki.pspc.211282

福建省自然科學(xué)基金項(xiàng)目資助(2021J01633)

This work is supported by the Natural Science Foundation of Fujian Province (No. 2021J01633).

2021-09-17；

2022-03-04

楊耿杰(1966—)，男，教授，研究方向?yàn)殡娏ο到y(tǒng)自動(dòng)化；E-mail: ygj23802@126.com

王 康(1997—)，男，碩士研究生，研究方向?yàn)榕潆娋W(wǎng)自動(dòng)化；E-mail: 729198207@qq.com

高 偉(1983—)，男，通信作者，副教授，研究方向?yàn)殡娏ο到y(tǒng)及設(shè)備故障診斷。E-mail: 80201931@qq.com

(編輯 葛艷娜)